GEE python——Standardized precipitation evapotranspiration index(SPEI) (标准化降水蒸散指数(SPEI))

最新推荐文章于 2025-04-08 07:30:00 发布
最新推荐文章于 2025-04-08 07:30:00 发布
阅读量629 收藏 3
点赞数
分类专栏： GEE-PYTHON 文章标签： python 开发语言 gee spei 蒸散发 数据 云计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/134485805
版权
该博客介绍了如何使用Python和Google Earth Engine (GEE) 计算标准化降水蒸散指数（SPEI）。首先，授权并初始化GEE库，接着处理AVHRR和MODIS的连续NDVI集合，进行月度聚合和映射。然后，通过线性回归计算未来预测的月度系数，并将MODIS转换为AVHRR信号。博客还涉及到了参考ET的计算，如ERA5和FLDAS，并提供了相关计算函数及数据引用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Continuous NDVI collection from AVHRR and MODIS

Import, authenticate and initialize the Earth Engine library.

import ee
ee.Authenticate()
ee.Initialize()

To authorize access needed by Earth Engine, open the following URL in a web browser and follow the instructions. If the web browser does not start automatically, please manually browse the URL below.

https://ac
了解本专栏 订阅专栏 解锁全文 超级会员免费看
GEE案例——如何计算某个区域的的长时间序列的Standardized Precipitation Index（SPI）指数
此星光明博客
02-27 760
Standardized Precipitation Index（SPI）是一种用来衡量降水量异常的标准化指数。它通过比较观测到的降水量与特定时间段和地区的长期平均降水量之间的差异，来评估降水量的偏离程度。SPI可用于监测干旱和湿润等气候变化情况，对于农业、水资源管理和气象预测等领域具有重要意义。McKee等人（1993 年）开发的标准化降水指数（SPI）描述了以月（或多月）为时间步长的多年数据中降水量偏离正常值的概率。
GEE教程：基于CHIRPS和TERRACLIMATE数据计算标准化降水蒸散指数 (SPEI干旱指数)，可视化干旱严重程度
此星光明博客
04-07 259
标准化降水蒸散指数 (SPEI) 是一种用于量化干旱严重程度的统计指标。与标准化降水指数 (SPI) 不同，SPEI 不仅考虑降水，还考虑潜在蒸散量 (PET)，这反映了大气对水的需求。这使得 SPEI 成为一种更敏感的干旱指标，尤其是在温度和蒸散在水资源可用性中起重要作用的地区。
GEE | 计算标准化降水指数（SPI）
qq_48539301的博客
01-07 821
P 是当前时间段的降水量；μ 是该地区长期降水量的均值；σ 是该地区降水量的标准差。SPI 分级通常如下：SPI > 2 表示极端湿润，1.5 < SPI ≤ 2 表示湿润，-1.5 ≤ SPI ≤ 1.5 表示正常，-1.5 < SPI ≤ -2 表示干旱，SPI ≤ -2 表示极端干旱。SPI（标准化降水指数，Standardized Precipitation Index）是一种用于衡量某地区降水异常的方法，它通过将降水量与该地区长期降水量的均值和标准差进行对比，得出一个标准化的数值。
Google Earth Engine ——标准化降水指数（SPI）、蒸发干旱需求指数（EDDI）、标准化降水蒸散指数（SPEI）、帕默干旱严重程度指数（PDSI）和帕默Z指数（Z）数据集
此星光明博客
09-16 6931
This dataset contains drought indices derived from the 4-km daily Gridded Surface Meteorological (GRIDMET) dataset. The drought indices provided include the standardized precipitation index (SPI), the evaporative drought demand index (EDDI), the standardiz
基于Python的Climate Indices库计算SPEI(标准化降水蒸散发指数)05—栅格SPEI的计算
EWBA_GIS_RS_ER的博客
01-19 2992
基于Python的Climate Indices库实现了栅格SPEI的计算
GEE可视化：SPEI（标准化降水蒸散指数）数据进行干旱监测，可视化不同的 SPEI 值分类干旱程度可视化分析
最新发布
此星光明博客
04-08 1016
通过以上步骤，我们成功地使用 Google Earth Engine 对干旱进行了监测和分析。我们利用 SPEI 数据分类了不同的干旱等级，并通过图表展示了干旱的变化趋势。这种方法为干旱监测提供了强有力的工具，有助于制定相应的管理措施。如果你有任何问题或想法，请随时与我联系！
gma 教程：计算标准化降水蒸散指数（SPEI）
weixin_42155937的博客
03-01 3718
【标准化降水蒸散指数】。基于 Log-Logistic 分布计算标准化降水蒸散指数。PRE:array。降水量（mm）。PET:array。潜在蒸散量（mm）。Axis =int。计算轴。如果不设置（None），多维数据会将所有数据展开到一维计算。Scale =int。时间尺度。默认为 1。例如：1月、3月或其他。int。周期。默认为 12。例如：月数据可以以 12 为周期。str。用于内部拟合/变换计算的分布类型。默认为 LogLogistic。支持的分布类型‘Gamma’：伽马分布；
从0开始学GEE python——矢量的展示和属性添加
此星光明博客
12-29 379
这段代码展示了如何在 Google Earth Engine 中创建几何对象、特征以及如何设置和获取特征的属性，同时使用 geemap 库将结果可视化。
从0开始学GEE python——Google Earth Engine (GEE) 和 geemap 库来获取 Sentinel-2 卫星影像，并将其可视化
此星光明博客
12-27 873
这段代码的目的是从 Sentinel-2 卫星影像中获取特定地点的影像，并将其可视化在地图上。通过设置合适的波段和可视化参数，用户可以清晰地查看该地区的卫星影像。
利用python的xclim计算极端气候指标
weixin_42237893的博客
05-14 2475
xcilm是针对xarray的Dataarray对象的气候指数的集合。xcilm提供两个计算层，一个是用来计算和单位处理的：indices；另一个是用来检查数据和元数据格式的层（CF：check formatting）：indicators。计算层的函数可以从xclim.indices找到，CF层的指数可以从用户应该始终使indicators，如果indicators太麻烦的话，则使用indices作为最后的手段。
spei计算程序附测试数据
09-03
matlab版SPEI程序+测试数据,可用于计算SPEI指数的matlab版本，其中附有测试数据，方便学习和查看。
极端气候指数计算软件
09-23
极端气候软件用户手册，英文全解，安装步骤，操作使用步骤，以及注意事项
gee计算遥感生态指数代码
03-08
遥感生态指数（Remote Sensing Ecological Index）是一种基于遥感技术对生态系统进行监测和评估的指数，它通过对地表反射光谱数据的分析，反映出生态系统的植被覆盖程度、植被生长状况、土地利用类型、土地覆盖变化等生态环境信息。 遥感生态指数通常采用遥感影像数据来计算，包括多光谱影像、高光谱影像、雷达影像等。常用的遥感生态指数包括植被指数（Vegetation Index）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、土地覆盖指数（Land Cover Index）等。 其中，植被指数可以用来反映植被的生长状况，归一化植被指数则是常用的植被指数，可以通过计算近红外波段和红光波段反射率之间的比值来计算；土地覆盖指数则可以用来反映不同土地利用类型的空间分布情况，如城市、耕地、林地、草地等。
Python气象处理绘图第八弹–中国区域极端气温指标
weixin_43347581的博客
06-08 3394
根据ETCCDI中定义的极端气温指标，可以计算20年内tmax，tmin的极端气温指标：TXx，TXn，TNx，TNn，ID，FD，SU，TR等等。并可以绘制极端气温指标的多年平均的空间分布，主要分为简单的绘图，添加网格线和添加主、次要刻度三种子图。本章主要简单介绍了绝对阈值的计算，此外还可以应用xclim进行其它极端气候指标的计算，详情之后有时间再更新。值得注意的是，这里剔除2月29日的方法比较简单高效；再进行网格线eps图片的绘制中，会丢失很多信息（暂时还没有解决）。
python气象数据处理--按照时间序列计算格点数据指标
weixin_43347581的博客
11-08 3662
气象数据常常以netcdf的形式存储，通常以hourly、daily、monthly、yearly等时间精度存储，但是我们常常需要处理成月、年、季节、气候态等数据。因此需要对其进行时间维度上的计算，常常运用xarray或者pandas进行计算。使用groupby和使用Pandas的resample函数都可以实现类似的分组聚合，但是各有区别。
python应用之小麦生育期气象因子计算——基于pandas库
weixin_45452300的博客
02-15 1191
利用python对气象数据进行分时段统计计算
Python语言在地球科学中地理、气象、气候变化、水文、生态、传感器等数据可视化到常见数据分析方法的使用
weixin_46747075的博客
05-03 1938
Python在科学和工程领域地位日益重要，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面的优异性能使得Python在地球科学中地理、气象、气候变化、水文、生态、传感器等领域的学术研究和工程项目中得到广泛应用并高效解决各种数据分析问题，可以预见未来Python将成为科学和工程领域的主流程序设计语言。
Python：SPEI指数的计算
houhaha_的博客
08-09 2004
将nc文件修改为想要格式：参考sample_precip.nc和sample_tavg.nc(1）根据ERA5小时数据求月总降水和月平均气温在python中(2) 在nco中修改nc文件的格式ncatted -a units,precip,c,c,millimeter in.nc #给precip变量添加单位属性为“millimeter”ncatted -a units,tavg,c,c,K in.nc #给tavg变量添加单位属性为“K”
某个地区的SPEI如何在gee上计算并下载
03-19
### 如何在 Google Earth Engine (GEE) 上计算并下载某地区的标准化降水蒸散指数 (SPEI) #### 背景说明 标准化降水蒸散指数 (Standardized Precipitation Evapotranspiration Index, SPEI) 是一种用于评估干旱状况的时间序列指标。它综合考虑了降水量和潜在蒸发量的影响，能够更全面地反映水分平衡状态。通过 GEE 平台可以高效处理大规模地理数据集来实现 SPEI 的计算。 为了完成这一目标，通常需要以下几个关键步骤：定义感兴趣区域、获取气象数据集合（如降水和气温）、利用模型估算实际或潜在蒸散发量、基于这些输入变量构建 SPEI 时间序列以及导出最终结果。 --- #### 定义兴趣区与加载基础影像 假设我们已经有一个名为 `wuhan` 的矢量边界文件作为研究范围，则可以通过如下方式初始化环境： ```javascript // 加载武汉地区特征集合 var wuhan = ee.FeatureCollection("users/yp7454982/wuhan"); Map.centerObject(wuhan, 8); // 设置日期区间 var startDate = ee.Date('2000-01-01'); var endDate = ee.Date('2020-01-01'); // 打印确认对象已成功导入 print("Region of Interest:", wuhan); ``` 上述代码片段展示了如何指定地理位置及其显示级别[^2]。 --- #### 获取必要的气候参数 对于 SPEI 计算而言，至少需取得两个主要因子——月累计降雨量(Precipitation Sum) 和参考作物蒸发速率(Reference Crop Evaporation Rate)，即 PET 值。这里推荐采用 CHIRPS 数据源代表前者；而后者可借助 MODIS 或 ERA5-Land 提供的地表辐射通量反演得到。 以下是读取 CHIRPS 雨量资料的一个例子： ```javascript // 导入CHIRPS全球每日降水产品 var chirpsDaily = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY"); // 过滤时间跨度及空间掩膜操作 var precipitationMonthlySum = chirpsDaily.filterDate(startDate, endDate) .filterBounds(wuhan.geometry()) .reduce(ee.Reducer.sum()); // 将总和转换成每月平均值形式呈现出来 precipitationMonthlySum = precipitationMonthlySum.divide(precipitationMonthlySum.bandNames().size()); ``` 关于 ET₀ 的提取方法，请参阅相关文献[^4]中的具体实践案例描述。 --- #### 实现 SPEI 数学建模过程 一旦拥有了 P 和 ETO 后续就可以着手建立 SPI/SPEI 统计分布拟合流程了。一般情况下我们会选用 Gamma 分布函数去逼近历史记录曲线形状特性从而得出对应的标准分位数映射关系表达式。然而由于篇幅所限在此仅给出伪代码示意框架结构仅供参考学习之用: ```pseudo function computeSpei(precipitationSeries, evapotranspirationSeries){ let combinedDeficit = []; foreach(monthlyDataPoint in range(startYear:endYear)){ deficitValue = monthlyPrecipitation - monthlyEvapotranspirtion; append(deficitValue ,combinedDeficit ); } fittedDistributionParameters = fitGammaDist(combinedDeficit ); zScoresForEachMonth = transformToZScore(fittedDistributionParameters, combinedDeficit ); return zScoresForEachMonth ; } ``` 注意这里的逻辑并未直接体现出来而是留给读者自行补充完善细节部分[^1]。 --- #### 结果输出至本地存储设备 最后一步就是把生成好的栅格图层保存下来以便后续分析应用。下面给出了简单的示例命令行语句帮助理解整个工作流结束后的成果交付环节： ```javascript Export.image.toDrive({ image: speiImage, description: 'spei_wuhan_region', scale: 5000, region: wuhan.geometry(), maxPixels: 1e13 }); ``` 此段脚本负责将处理完毕的地图切片上传到用户的谷歌云端硬盘账户下形成独立项目文件夹管理起来方便调用分享给其他同事协作查看。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值